인간의 생애주기에서 남성과 여성은 2차성징 기간에 신체적 변화와 함께 호르몬의 큰 변화를 겪는다.
여성의 경우에는 2차성징 이후에 또 한번의 큰 변화를 겪는데, 이기간에 여성의 에스트로겐은 현저히 감소하고, 다양한 호르몬 변화를 겪는다. 이러한 호르몬의 변화는 골감소증을 유발하고, 혈중 콜레스테롤 수치가 높아져 고지혈증 밎 심혈관질환을 유발할 수있다. 또한 호르몬의 변화는 복부에 지방이 쌓이는 것을 유리하게 만들어 복부비만 및 내장지방의 축적을 용이하게 한다. 이렇게 급격한 호르몬 변화로 신체 및 정서의 큰 변화를 유발하는 기간을 우리는 폐경기라고 한다.
기대수명의 증가로 노인 여성은 폐경기 이후 평균 30년을 더 살아가고 폐경기에 주의를 기울이지 않는다면 향후 노인 낙상사고, 비만 및 만성질병의 유병률은 증가할 것이다.
하지만 아직까지 폐경기의 중요성은 간과되고 있고, 많은 여성들이 신체변화의 원인이 폐경기라는 것을 인지하지 못한다. 나는 폐경기여성과 가임기 여성의 신체적, 정서적, 사회적 환경을 관찰 한 후,폐경기 여성의 건강을 위한 방안을 구축할 예정이다.
👆데이터 출처
국민생활실태조사,보건복지부
👆총 데이터 수
229099
👆사용 프로그램
파이썬, R
먼저 가임기 여성과 폐경기 여성의 수를 알아보자.
- 출처 2019년 국민생활실태조사, 보건복지부
50세를 전후로 가임기 여성의 수와 폐경기 여성의 수가 교차하는 것을 알 수있다.
조금더 자세히 살펴보자.
50세와 51세를 기준으로 가임기와 폐경기 여성의 수가 교차된다.
가임기와 폐경기의 변화가 가장 큰 45-56세의 여성을 좀 더 살펴보자.
45-55세 여성의 비만율은 어떠한가?
45세~55세 여성을 가임기 여성과 폐경기여성으로 구분하고
두 집단의 bmi를 비교해보자.
1. bmi에 따른 급간 설정.
~18.5 -> 저체중
18.5 ~23 -> 정상범위
23~25 -> 비만 전단계
25~30 -> 비만1단계
30이상 -> 비만2단계
bmi의 기준은 대한비만학회의 bMI지침을 참고하였으며 일부 나라에서는 25까지를 bmi 정상 범위라고 간주하지만, 대부분의 아시아권에서는 23을 기준으로 지정하였기에, 그것을 기준으로 하였다.
2. 이상치 제거
데이터의 손실을 막기위해 이상치는 키-몸무게 가 50이 넘는 데이터로 설정을 하였다.
IQR에 4를 곱한 값을 이상치로 설정
Q1 = bear.bmi.quantile(0.25)
Q3 = bear.bmi.quantile(0.75)
IQR = Q3-Q1
bear2 = bear[['age','bmi']][~(bear.bmi<Q1-4*IQR) & ~(bear.bmi>Q3+4*IQR)].sort_values('bmi')3. 결과
위의 두 집단의 비만율 중 저체중과 2단계비만은 크게 차이가 나지 않지만, 1단계비만과 비만 전단계에서 차이가 있어 정상범위의 차이가 5%가 났다.
다음 포스팅에서는 폐경기와 여성의 비만율의 상관관계를 분석하겠다.
구현코드
import matplotlib.pyplot as plt
from matplotlib import font_manager, rc
import pandas as pd
import numpy as np
font_path ="c:\\data\\malgun.ttf" #폰트파일의 위치 실습파일안에있음
font_name = font_manager.FontProperties(fname=font_path).get_name()
rc('font', family=font_name)
pause = data[(data.age>=45) & (data.fea_01z2== 4)] ##폐경기 여성
bear = data[(data.age>=45) & (data.fea_01z2== 1)] ##가임기 여성
###폐경기 여성의 bmi
pause['bmi'] = pause.mea_10z1[~pause.mea_10z1.isin([77777,88888])]/(pause.mea_14z1[~pause.mea_14z1.isin([77777,88888])]/100)**2
##폐경기 여성의 이상치 제거 -> IQR에 1.5를 곱할 시 bmi가 30이 넘어가는 인자가 제거되어 키-몸무게가 50이 넘어가는 인자를 제거하였다.
Q1 = pause.bmi.quantile(0.25)
Q3 = pause.bmi.quantile(0.75)
IQR = Q3-Q1
pause2 = pause[['age','bmi']][~(pause.bmi<Q1-4*IQR) & ~(pause.bmi>Q3+4*IQR)].sort_values('bmi')
pause3 = pause2.dropna(axis=0)
pause3['bmi']= pause3.bmi.round(1).astype(float)
####가임기 여성의 bmi
bear['bmi'] = bear.mea_10z1[~bear.mea_10z1.isin([77777,88888])]/(bear.mea_14z1[~bear.mea_14z1.isin([77777,88888])]/100)**2
##가임기 여성의 이상치 제거 -> IQR에 1.5를 곱할 시 bmi가 30이 넘어가는 인자가 제거되어 키-몸무게가 50이 넘어가는 인자를 제거하였다.
Q1 = bear.bmi.quantile(0.25)
Q3 = bear.bmi.quantile(0.75)
IQR = Q3-Q1
bear2 = bear[['age','bmi']][~(bear.bmi<Q1-4*IQR) & ~(bear.bmi>Q3+4*IQR)].sort_values('bmi')
bear3 = bear2.dropna(axis = 0)
bear3['bmi']= bear3.bmi.round(1).astype(float)
#bmi별 급간 생성하기
bins = [0,18.5,23,25,30,40]
labels = ['저체중','정상범위','비만전단계','1단계비만','2단계비만']
cuts1 = pd.cut(pause3.bmi,bins, labels= labels, right = False)
cuts2 = pd.cut(bear3.bmi,bins, labels= labels, right = False)
pause3['비만']= cuts1
bear3['비만'] = cuts2
#그래프그리기
fig = plt.figure(figsize = (13,5))
fig.set_facecolor('antiquewhite')
ax = fig.add_subplot(1,2,1)
label = ['저체중','정상범위','비만전단계','1단계비만','2단계비만']
explode = [0.03]*5
colors = ['#ff9999', '#ffc000', '#8fd9b6','seagreen','darkslategray']
ax.pie(all.폐경기,autopct= '%0.0f%%',explode=[0,0.1,0,0,0],shadow = True,colors = colors,startangle = 90,
textprops = {'fontsize':13},wedgeprops=dict(width=0.67), labels = label)
plt.title("45세 이상 55세 이하 폐경기 여성의 비만율",fontsize = 17)
#두번째 그래프 그리기
ax = fig.add_subplot(1,2,2)
label = ['저체중','정상범위','비만전단계','1단계비만','2단계비만']
explode = [0.03]*5
colors = ['#ff9999', '#ffc000', '#8fd9b6','seagreen','darkslategray']
pie = ax.pie(all.가임기,autopct= '%0.0f%%',explode=[0,0.1,0,0,0],shadow = True,colors = colors,startangle = 90,
textprops = {'fontsize':13},wedgeprops=dict(width=0.6), labels = label)
plt.title("45세 이상 55세 이하 가임기 여성의 비만율",fontsize = 17)
plt.tight_layout()
plt.show()